考虑时空影响下的图卷积网络短时交通流预测

• 作者: 陈丹蕾 陈红 任安虎
• 来源期刊: 计算机工程与应用
• 关键词: 图卷积网络 门控循环单元 GraphSAGE算法 图注意力机制 城区路网
• 年，卷（期）: 2021,（13）
• 所属期刊栏目: 工程与应用|Engineering and Applications
• 页码范围: 269-275
• 页数: 7页
• 分类号: TP183
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.2006-0175

摘要

针对交通流预测过程中城市道路路网的空间特征难以充分提取,导致预测结果精度不高的问题,提出图卷积网络(GCN)与门控循环单元(GRU)组合短时交通流预测模型.利用GCN对拓扑结构数据处理的优势,将城市道路路网空间排列结构转换为拓扑关系建模,通过解决拓扑关系问题有效提取出路网间的空间特征.采用Graph-SAGE算法改进GCN模型,通过加和聚合算子和图注意力机制(GAT)聚合空间特征,将包含空间特征的输出作为GRU模型的输入提取时间特征.利用真实道路车流量数据进行模型验证,结果表明该模型相较于不具有GCN的模型预测准确率提升约8％,均方误差缩小约0.01037,说明所提模型具有相对较高的稳定性及预测精度,可以为大型城市路网提供重要的交通诱导依据.